论文摘要
近红外光谱技术作为一种光谱测量技术,其特点是分析简单、速度快并且可以在线进行,常用于食品、工艺中间体和最终产品的成分与功能分析,已成为食品质量和安全分析的有力技术。在林特产品深加工与食品质量安全需求日益提高的今天,坚果的无损检测预测成为众多研究者关注的热点问题。新采摘的松子含有大量水分,在储存过程中极易霉菌、酵母菌的影响导致氧化变质。但霉变松子存在经过炒制,化学试剂浸泡等操作处理后,难以与正常松子区分开的问题。针对这一问题,本文运用近红外光谱技术甄别霉变松子并对松子进行正常、霉变分类建模研究。首先,采用傅里叶转换红外光谱技术进行松子近红外数据的采集,并运用SNV、Norris-Williams求导与小波变换方法对采集到的近红外光谱数据进行预处理,达到光谱聚合、波长曲线平滑的结果。近红外漫反射光谱存在精度差、误差大的问题,为此研究漫反射光谱指标的改进,以提高漫反射光谱数据指标与样品化学成分之间的相关性。在此基础上,运用李群测地线度量方法对局部线性嵌入、等度量映射方法进行改进,并借助随机森林与提升树模型进行数据特征降维研究,并使用主成分分析降维同改进后的降维方法进行比较验证。研究结果表明:改进后的降维方法更适应于新的近红外光谱漫反射评价指标。最后,结合李群测地线度量方法和高斯过程进行松子分类建模研究。对七种不同核函数分别建立对应的核函数-高斯过程分类模型并对比选择。将概率校准技术引入对所建改进高斯模型的精度校正中。改进高斯模型的精度进行校正。根据建模实验可知使用周期-径向基组合核函数作为改进高斯过程的核函数能够获得最好分类效果,使用改进局部线性嵌入对松子数据进行降维后使用周期-径向基组合核函数-高斯过程建模的模型精确度为0.888;使用概率校准后的模型精确度为0.864;使用改进等度量映射对松子数据进行降维后使用周期-径向基组合核函数-高斯过程建模的模型精确度为0.849;使用概率校准后的模型精确度为0.958。依模型分类数据分析可知:使用改进漫反射评价指标能够提升最终分类模型精度;周期-径向基组合核函数兼具周期核函数与径向基核函数的优点,为霉变松子建模的最佳选择;概率校准并不能保证模型分类效果变得更高,但改进等度量映射降维的松子使用概率校准方法获得了松子霉变分类效果更好的模型。
论文目录
文章来源
类型: 硕士论文
作者: 蒋大鹏
导师: 曹军
关键词: 近红外光谱,流形学习,高斯过程,核函数,概率校准
来源: 东北林业大学
年度: 2019
分类: 基础科学,工程科技Ⅰ辑
专业: 物理学,轻工业手工业
单位: 东北林业大学
分类号: TS255.6;O433.5
DOI: 10.27009/d.cnki.gdblu.2019.000455
总页数: 65
文件大小: 5753K
下载量: 31
相关论文文献
- [1].基于边界检测的多流形学习算法[J]. 模式识别与人工智能 2016(11)
- [2].基于流形学习算法的口腔复用机械自动清洗方法[J]. 自动化与仪器仪表 2020(06)
- [3].基于流形学习降维技术的研究概述[J]. 中国科技信息 2013(14)
- [4].基于随机游走的流形学习与可视化[J]. 数据采集与处理 2017(03)
- [5].基于流形学习的医院绩效评价方法研究与实践[J]. 计算机应用与软件 2011(06)
- [6].利用流形学习进行空间信息服务分类[J]. 武汉大学学报(信息科学版) 2013(03)
- [7].几种流形学习算法的比较研究[J]. 电脑与信息技术 2009(03)
- [8].双粒度光流流形学习的刮刷总成摆杆摆幅检测[J]. 华南理工大学学报(自然科学版) 2020(01)
- [9].基于增强多流形学习的监控视频追踪算法[J]. 西南师范大学学报(自然科学版) 2019(01)
- [10].基于自适应密度聚类非线性流形学习降维方法研究与实现[J]. 小型微型计算机系统 2018(08)
- [11].基于监督流形学习的航空发动机振动故障诊断方法[J]. 推进技术 2017(05)
- [12].动态增殖流形学习算法在机械故障诊断中的应用[J]. 振动与冲击 2014(23)
- [13].全局保持的流形学习算法对比研究[J]. 计算机工程与应用 2010(15)
- [14].基于局部线性嵌入的多流形学习故障诊断方法[J]. 湖南科技大学学报(自然科学版) 2015(04)
- [15].一种基于测地线的保局投影流形学习方法[J]. 系统仿真学报 2019(12)
- [16].基于连续小波系数非线性流形学习的冲击特征提取方法[J]. 振动与冲击 2012(01)
- [17].基于流形学习的光学遥感图像分类[J]. 计算机工程与科学 2019(07)
- [18].面向高光谱图像分类的半监督丛流形学习[J]. 光学精密工程 2015(05)
- [19].基于等角映射的多样本增量流形学习算法[J]. 模式识别与人工智能 2014(02)
- [20].判别流形学习算法的高光谱数据降维与树种识别[J]. 测绘通报 2018(01)
- [21].基于流形学习的客户价值分析研究[J]. 软件导刊 2018(02)
- [22].宏流形学习及其在监督分类中的应用[J]. 遥感信息 2018(03)
- [23].一种基于局部线性嵌入的多流形学习算法[J]. 小型微型计算机系统 2012(08)
- [24].一种基于非线性流形学习的故障特征提取模型[J]. 振动与冲击 2012(23)
- [25].基于非线性流形学习的人脸面部运动估计[J]. 电子与信息学报 2011(10)
- [26].基于增量流形学习的语音情感特征降维方法[J]. 计算机工程 2011(12)
- [27].基于全局不相关的多流形学习[J]. 计算机工程与设计 2020(01)
- [28].基于流形学习与神经网络的旋转机械故障诊断[J]. 热能动力工程 2020(06)
- [29].基于改进局部均值分解和流形学习的齿轮故障诊断研究[J]. 机械传动 2018(01)
- [30].基于流形学习的风电机组传动系统故障诊断方法初探[J]. 现代制造技术与装备 2018(08)